从函数自动构建决策树
(如果这个问题有点头脑风暴，很抱歉)
我有一个函数F，参数是a_1, a_2...和b，它输出x。该函数还由可能在我工作期间更改的一系列p_1, p_2...参数定义。
F(a_1, a_2... , b) = x
考虑到a_1, a_2...，我想要构建一个决策树算法，该算法可以为函数F找到最小化x的b。我想自动化这个决策树构建器，以便容纳F的更改(通过p_1, p_2...)。
自动化过程非常重要，因为在实践中，a_x可以是任何东西(整数、连续数、离散参数)，而F是高度非线性的。
我本能的想法之一是建立假样本，并在数据集上学习决策树，这将给我所需的决策树。但是，这似乎过于复杂，因为我已经访问了生成此问题的函数。
如果有人有任何想法或指点我在任何方向，可以帮助我解决我的问题，这将是非常感谢的。
编辑:
我正在改变我的问题的范围：
假设从最初的问题开始，您得到了函数F'，它将a_1, a_2...映射为b (b是离散的)。是否会有一个算法试图通过一个以F'为节点的决策树来“简化”a_1, a_2...。
例如，一个决策树，它会说if a_2 = "type2" and a_1 < 6 -> 3等。我不是在寻找一个精确的分区，一个体面的估计是足够的。
我正在考虑使用ML算法来构建决策树，使用由F'蒙特卡罗模拟生成的假样本。这有道理吗？
回答 1
Stack Overflow用户
发布于 2019-06-12 05:34:52
如果您想要F'的快速和贪婪的近似，那么您的想法是有意义的，但是您应该注意正确地实现它：
1)当你说你的变量可能是绝对的和数值的，你应该考虑如何绑定这些变量。对于高度非线性的函数，普遍接受的线性二值化不是最优。
2)由于决策树在处理相关变量方面存在困难，一些预处理可能有助于提高决策树的处理效率。从PCA开始。
至于使用实际数据或从原始函数生成数据，我认为不应该有明显的差别。如果您看到在某些“区域”中，您的数据表示不足，您可能希望在这里和那里扩展初始培训数据集。
https://stackoverflow.com/questions/56445026
复制相似问题
腾讯云开发者
